Predicción basada en el aprendizaje automático consciente de la incertidumbre de los parámetros del plasma en un...

Área de la Ciencia:

• Física y química del plasma.
• Aplicaciones de aprendizaje automático aplicaciones de aprendizaje automático.
• Ingeniería química Ingeniería química.

Sus antecedentes:

• Los chorros de plasma de presión atmosférica de microondas (MW-APPJ) ofrecen aplicaciones versátiles debido a la generación de especies reactivas sintonizables.
• La predicción precisa de los parámetros plasmáticos es crucial para optimizar el rendimiento de MW-APPJ.
• Los métodos existentes carecen de una cuantificación e interpretación de incertidumbre completa.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático supervisado (ML) interpretable, consciente de la incertidumbre, de múltiples salidas.
• Para predecir ocho parámetros críticos de plasma de MW-APPJs.
• Proporcionar una base confiable para el diagnóstico de plasma basado en datos y la optimización de procesos.

Principales métodos:

• Generó un conjunto de datos de 441 ejecuciones experimentales variando la potencia de entrada, la posición corta deslizante y la velocidad de flujo de argón.
• Se han optimizado seis modelos de regresión (KNN, ET, RF, ANN, GB, XGB) utilizando el ajuste de hiperparámetros bayesianos.
• Empleado SHapley Explanations Additive (SHAP) para la interpretabilidad del modelo y bootstrap para la cuantificación de la incertidumbre.

Principales resultados:

• El modelo de aumento de gradiente (GB) demostró el mejor equilibrio de precisión, calibración y confiabilidad de incertidumbre.
• El modelo GB logró <3% de error porcentual absoluto medio y R2 > 0,97 en un conjunto de prueba mantenido.
• El análisis SHAP identificó la potencia de microondas y el caudal de gas como características dominantes que influyen en los parámetros del plasma.

Conclusiones:

• El marco ML desarrollado predice de manera confiable los parámetros de plasma MW-APPJ con incertidumbres cuantificadas.
• La validación experimental confirmó robustas capacidades de generalización, con apropiados aumentos de incertidumbre en regímenes extrapolados.
• El marco interpretable facilita la comprensión de las influencias de las condiciones operativas, lo que permite la optimización futura del proceso MW-APPJ.